Visualización de Datos

R para Ciencia de Datos en Salud:
Análisis Descriptivo e Inferencia Estadística

Percy Soto-Becerra M.D., M.Sc(c)

InkaStats Data Science Solutions | Medical Branch
@github/psotob91

Visualización de datos

Visualización de datos


“The simple graph has brought more information to the data analyst’s mind than any other device.” — John Tukey

  • La visualización de datos es la creación y el estudio de la representación visual de los datos.

  • Muchas herramientas para visualizar datos, R es una de ellas.

  • Muchos enfoques/sistemas dentro de R para hacer visualizaciones de datos

    • ggplot2 es uno de ellos, y eso es lo que vamos a usar

{ggplot2} es un paquete de {tidyverse}

  • ggplot2 es el paquete de visualización de datos de tidyverse.

  • gg en ggplot2 significa Gramática de gráficos.

  • Inspirado en el libro Grammar of Graphics de Leland Wilkinson

Gramática de gráficos



  • Una gramática de gráficos es una herramienta que nos permite describir de manera concisa los componentes de un gráfico.

Primeros pasos con ggplot2

Aspectos básicos de ggplot2


  • Estructura de código para generar gráficos en ggplot2
ggplot(data = [dataset], 
       mapping = aes(x = [x-variable], 
                     y = [y-variable])) +
   geom_xxx() +
   other options

Datos: gapminder


  • Data disponible en paquete {dslabs}.
library(dslabs)
data(gapminder, package = "dslabs")
  • Veamos un resumen de estos datos:
head(gapminder)
              country year infant_mortality life_expectancy fertility
1             Albania 1960           115.40           62.87      6.19
2             Algeria 1960           148.20           47.50      7.65
3              Angola 1960           208.00           35.98      7.32
4 Antigua and Barbuda 1960               NA           62.97      4.43
5           Argentina 1960            59.87           65.39      3.11
6             Armenia 1960               NA           66.86      4.55
  population          gdp continent          region
1    1636054           NA    Europe Southern Europe
2   11124892  13828152297    Africa Northern Africa
3    5270844           NA    Africa   Middle Africa
4      54681           NA  Americas       Caribbean
5   20619075 108322326649  Americas   South America
6    1867396           NA      Asia    Western Asia
  • Veamos el detalle
?gapminder

Código paso a paso

Inicia con el data.frame gapminder

ggplot(data = gapminder)

Inicia con el data.frame gapminder, mapea year a x

ggplot(data = gapminder, 
       mapping = aes(x = year))

Inicia con el data.frame gapminder, mapea year a x y mapea life_expectancy a y

ggplot(data = gapminder, 
       mapping = aes(x = year, 
                     y = life_expectancy))

Inicia con el data.frame gapminder, mapea year a x y mapea life_expectancy a y. Representa cada información con un punto

ggplot(data = gapminder, 
       mapping = aes(x = year, 
                     y = life_expectancy)) + 
  geom_point()

Inicia con el data.frame gapminder, mapea year a x y mapea life_expectancy a y. Representa cada información con un punto. Mapea continent al color de los puntos

ggplot(data = gapminder, 
       mapping = aes(x = year, 
                     y = life_expectancy, 
                     colour = continent)) + 
  geom_point()

Inicia con el data.frame gapminder, mapea year a x y mapea life_expectancy a y. Representa cada información con un punto. Mapea continent al color de los puntos. Titula el gráfico como “Esperanza de vida a lo largo del tiempo”

ggplot(data = gapminder, 
       mapping = aes(x = year, 
                     y = life_expectancy, 
                     colour = continent)) + 
  geom_point() + 
  labs(title = "Esperanza de vida a lo largo del tiempo")

Inicia con el data.frame gapminder, mapea year a x y mapea life_expectancy a y. Representa cada información con un punto. Mapea continent al color de los puntos. Titula el gráfico como “Esperanza de vida a lo largo del tiempo” y agrega el subtitulo “Datos para Africa, Americas, Asia, Europa y Oceania”

ggplot(data = gapminder, 
       mapping = aes(x = year, 
                     y = life_expectancy, 
                     colour = continent)) + 
  geom_point() + 
  labs(title = "Esperanza de vida a lo largo del tiempo", 
       subtitle = "Datos para Africa, Americas, Asia, Europa y Oceania")

Inicia con el data.frame gapminder, mapea year a x y mapea life_expectancy a y. Representa cada información con un punto. Mapea continent al color de los puntos. Titula el gráfico como “Esperanza de vida a lo largo del tiempo” y agrega el subtitulo “Datos para Africa, Americas, Asia, Europa y Oceania”. Etiqueta los ejes x e y como “Año” y “Esperanza de Vida”, respectivamente

ggplot(data = gapminder, 
       mapping = aes(x = year, 
                     y = life_expectancy, 
                     colour = continent)) + 
  geom_point() + 
  labs(title = "Esperanza de vida a lo largo del tiempo", 
       subtitle = "Datos para Africa, Americas, Asia, Europa y Oceania", 
       x = "Año", y = "Esperanza de Vida")

Inicia con el data.frame gapminder, mapea year a x y mapea life_expectancy a y. Representa cada información con un punto. Mapea continent al color de los puntos. Titula el gráfico como “Esperanza de vida a lo largo del tiempo” y agrega el subtitulo “Datos para Africa, Americas, Asia, Europa y Oceania”. Etiqueta los ejes x e y como “Año” y “Esperanza de Vida”, respectivamente. Etiqueta la leyenda como “Continentes”

ggplot(data = gapminder, 
       mapping = aes(x = year, 
                     y = life_expectancy, 
                     colour = continent)) + 
  geom_point() + 
  labs(title = "Esperanza de vida a lo largo del tiempo", 
       subtitle = "Datos para Africa, Americas, Asia, Europa y Oceania", 
       x = "Año", y = "Esperanza de Vida", 
       colour = "Continentes")

Inicia con el data.frame gapminder, mapea year a x y mapea life_expectancy a y. Representa cada información con un punto. Mapea continent al color de los puntos. Titula el gráfico como “Esperanza de vida a lo largo del tiempo” y agrega el subtitulo “Datos para Africa, Americas, Asia, Europa y Oceania”. Etiqueta los ejes x e y como “Año” y “Esperanza de Vida”, respectivamente. Etiqueta la leyenda como “Continentes” y agrega un titulo para la fuente de datos

ggplot(data = gapminder, 
       mapping = aes(x = year, 
                     y = life_expectancy, 
                     colour = continent)) + 
  geom_point() + 
  labs(title = "Esperanza de vida a lo largo del tiempo", 
       subtitle = "Datos para Africa, Americas, Asia, Europa y Oceania", 
       x = "Año", y = "Esperanza de Vida", 
       colour = "Continentes", 
       caption = "Fuente: Gapminder data")

Inicia con el data.frame gapminder, mapea year a x y mapea life_expectancy a y. Representa cada información con un punto. Mapea continent al color de los puntos. Titula el gráfico como “Esperanza de vida a lo largo del tiempo” y agrega el subtitulo “Datos para Africa, Americas, Asia, Europa y Oceania”. Etiqueta los ejes x e y como “Año” y “Esperanza de Vida”, respectivamente. Etiqueta la leyenda como “Continentes” y agrega un titulo para la fuente de datos. Finalmente, usa una escala de colores discreta que esté diseñada para preservar la visualización de personas con formas comunes discapacidad visual para los colores

ggplot(data = gapminder, 
       mapping = aes(x = year, 
                     y = life_expectancy, 
                     colour = continent)) + 
  geom_point() + 
  labs(title = "Esperanza de vida a lo largo del tiempo", 
       subtitle = "Datos para Africa, Americas, Asia, Europa y Oceania", 
       x = "Año", y = "Esperanza de Vida", 
       colour = "Continentes", 
       caption = "Fuente: Gapminder data") + 
  scale_colour_viridis_d()

En resumen


ggplot(data = gapminder, 
       mapping = aes(x = year, 
                     y = life_expectancy, 
                     colour = continent)) + 
  geom_point() + 
  labs(title = "Esperanza de vida a lo largo del tiempo", 
       subtitle = "Datos para Africa, Americas, Asia, Europa y Oceania", 
       x = "Año", y = "Esperanza de Vida", 
       colour = "Continentes", 
       caption = "Fuente: Gapminder data") + 
  scale_colour_viridis_d()

Inicia con el data.frame gapminder, mapea year a x y mapea life_expectancy a y.

Representa cada información con un punto.

Mapea continent al color de los puntos.

Titula el gráfico como “Esperanza de vida a lo largo del tiempo” y agrega el subtitulo “Datos para Africa, Americas, Asia, Europa y Oceania”.

Etiqueta los ejes x e y como “Año” y “Esperanza de Vida”, respectivamente.

Etiqueta la leyenda como “Continentes” y agrega un titulo para la fuente de datos.

Finalmente, usa una escala de colores discreta que esté diseñada para preservar la visualización de personas con formas comunes discapacidad visual para los colores.

Nombre de argumentos


Se puede omitir los nombres de los dos primeros argumentos cuando construimos gráficos con ggplot2.


ggplot(data = gapminder, 
       mapping = aes(x = gdp, 
                     y = life_expectancy, 
                     colour = continent)) + 
  geom_point() + 
  scale_colour_viridis_d()
ggplot(gapminder, 
       aes(x = gdp, 
           y = life_expectancy, 
           colour = continent)) + 
  geom_point() + 
  scale_colour_viridis_d()

Transformar variables para mejorar visualización

Se puede realizar transformaciones sobre la marcha de las variables en los gráficos de ggplot2

ggplot(data = gapminder, 
       mapping = aes(x = gdp, 
                     y = life_expectancy, 
                     colour = continent)) + 
  geom_point() + 
  labs(title = "PBI y esperanza de vida", 
       subtitle = "Datos para Africa, Americas, Asia, Europa y Oceania", 
       x = "Producto Bruto Interno", 
       y = "Esperanza de Vida", 
       colour = "Continentes", 
       caption = "Fuente: Gapminder data") + 
  scale_colour_viridis_d()

ggplot(data = gapminder, 
       mapping = aes(x = log(gdp), #< Ponemos log()
                     y = life_expectancy, 
                     colour = continent)) + 
  geom_point() + 
  labs(title = "PBI y esperanza de vida", 
       subtitle = "Datos para Africa, Americas, Asia, Europa y Oceania", 
       x = "Logaritmo de Producto Bruto Interno", #< Editamos nombre
       y = "Esperanza de Vida", 
       colour = "Continentes", 
       caption = "Fuente: Gapminder data") + 
  scale_colour_viridis_d()

Nuestro turno


  • Cree una carpeta y configure un proyecto denominado: mi_primer_ggplot. Cree un documento quarto y denominelo: "mi_primer_ggplot.qmd". Importe los datos maca_meno_fase1.dta, los cuales se pueden descargar del siguiente enlace: maca_meno_fase1.dta. Tip: Use, esta vez, la función read_stata del paquete {haven} que ya viene instalado con {tidyverse}.

  • Cree un gráfico de dispersión de puntos que relacione el peso (variable weight, en el eje x) con la hormona foliculo estimulante (variable fsh, en el eje y).

  • Cree otro gráfico que relacione estradiol (e2 como y) con tratamiento recibido (treat como x). Use gráfico de puntos. Tip: use geomtría geom_point().

  • Guarde este gráfico como un objeto, pongale de nombre: plot1. Tip: Use operador asignar <-. Imprima plot1.

  • Agregue una geometría de gráfico de cajas. Tip: Agregue geom_boxplot().

  • Invierta el orden de las geometrías. Primero ponga geom_boxplot() y luego ponga geom_point(). Compare con el gráfico anterior. ¿En qué se diferencian?


05:00

Estéticas

Opciones de estéticas


Las características comunmente usadas en los gráficos que pueden ser mapeadas a variables específicas en los datos:

  • color

  • forma

  • tamaño

  • alfa (transparencia)

Color


ggplot(data = gapminder2, 
       mapping = aes(x = year, 
                     y = life_expectancy_mean, 
                     colour = continent)) + 
  geom_point() + 
  scale_colour_viridis_d()

Forma


  • Forma mapeada a variable adicional
ggplot(data = gapminder2, 
       mapping = aes(x = year, 
                     y = life_expectancy_mean, 
                     colour = continent, 
                     shape = region)) + 
  geom_point() + 
  scale_colour_viridis_d()

Forma


  • Forma mapeada a la misma variable
ggplot(data = gapminder2, 
       mapping = aes(x = year, 
                     y = life_expectancy_mean, 
                     colour = continent, 
                     shape = continent)) + 
  geom_point() + 
  scale_colour_viridis_d()

Tamaño


ggplot(data = gapminder2, 
       mapping = aes(x = year, 
                     y = life_expectancy_mean, 
                     colour = continent, 
                     shape = continent, 
                     size = population_total)) + 
  geom_point() + 
  scale_colour_viridis_d()

Alfa


ggplot(data = gapminder2, 
       mapping = aes(x = year, 
                     y = life_expectancy_mean, 
                     colour = continent, 
                     shape = continent, 
                     size = population_total, 
                     alpha = population_total)) + 
  geom_point() + 
  scale_colour_viridis_d()

Mapeo versus Configuración

Mapeo

ggplot(data = gapminder2, 
       mapping = aes(x = year, 
                     y = life_expectancy_mean, 
                     colour = continent, 
                     shape = continent, 
                     size = population_total, 
                     alpha = population_total)) + 
  geom_point() + 
  scale_colour_viridis_d()

Configuración

ggplot(data = gapminder2, 
       mapping = aes(x = year, 
                     y = life_expectancy_mean, 
                     colour = continent, 
                     shape = continent)) + 
  geom_point(size = 2, alpha = 0.5) + 
  scale_colour_viridis_d()

Mapeo vs. Configuración


  • Mapeo: Determina el tamaño, alfa, etc. de los puntos basados en el valor de un variable en los datos:

    • Conocido en inglés como mapping.

    • Se configura como: aes()


  • Configuración: Determina el tamaño, alfa, etc. de los puntos SIN basarse en el valor de un variable en los datos:

    • Conocido en inglés como setting.

    • Se configura como: geom_* (en este caso fue geom_point, pero hay otras geometrías más)

Facetado


  • Se puede dividir la imagen en varias subimágenes de acuerdo a alguna otra condición.

  • Muy útil cuando se tienen grandes de datos y es de interés mostrar sus relaciones con varias variables.

Facetado


ggplot(data = gapminder, 
       mapping = aes(x = year, 
                     y = life_expectancy)) + 
  geom_point() + 
  facet_grid(continent) + 
  scale_colour_viridis_d()

Varias formas de facetado (1/2)


ggplot(data = gapminder, 
       mapping = aes(x = year, 
                     y = life_expectancy)) + 
  geom_point() + 
  facet_grid(continent ~ .) + 
  scale_colour_viridis_d()

Varias formas de facetado (2/2)


ggplot(data = gapminder, 
       mapping = aes(x = year, 
                     y = life_expectancy)) + 
  geom_point() + 
  facet_wrap(~ continent) + 
  scale_colour_viridis_d()

Temas pre-definidos de ggplot2


  • {ggplot2} ofrece una serie de temas predinidos.

  • Un tema predefinido es una configuración pre-definida de componentes no dependientes de los datos (títulos, etiquetas, fuentes, fondo, grilas, leyendas, etc.) que pueden ser usados para darle un aspecto consistente a los gráficos.

  • Más info sobre los temas completas pre-definidos se pueden encontra en el siguiente enlace: Ver aquí.

  • Uno también puede personalizar sus propios temas: Ver aquí.

Temas completos

  • theme_gray (por defecto)

  • theme_bw()

  • theme_linedraw()

  • theme_light()

  • theme_dark()

  • theme_minimal()

  • theme_classic()

  • theme_void()

  • theme_test()

ggplot(data = gapminder2, 
       mapping = aes(x = year, 
                     y = life_expectancy_mean, 
                     colour = continent, 
                     shape = continent)) + 
  geom_point(size = 2, alpha = 0.5) + 
  scale_colour_viridis_d() + 
  theme_gray()

ggplot(data = gapminder2, 
       mapping = aes(x = year, 
                     y = life_expectancy_mean, 
                     colour = continent, 
                     shape = continent)) + 
  geom_point(size = 2, alpha = 0.5) + 
  scale_colour_viridis_d() + 
  theme_bw()

ggplot(data = gapminder2, 
       mapping = aes(x = year, 
                     y = life_expectancy_mean, 
                     colour = continent, 
                     shape = continent)) + 
  geom_point(size = 2, alpha = 0.5) + 
  scale_colour_viridis_d() + 
  theme_linedraw()

ggplot(data = gapminder2, 
       mapping = aes(x = year, 
                     y = life_expectancy_mean, 
                     colour = continent, 
                     shape = continent)) + 
  geom_point(size = 2, alpha = 0.5) + 
  scale_colour_viridis_d() + 
  theme_light()

ggplot(data = gapminder2, 
       mapping = aes(x = year, 
                     y = life_expectancy_mean, 
                     colour = continent, 
                     shape = continent)) + 
  geom_point(size = 2, alpha = 0.5) + 
  scale_colour_viridis_d() + 
  theme_dark()

ggplot(data = gapminder2, 
       mapping = aes(x = year, 
                     y = life_expectancy_mean, 
                     colour = continent, 
                     shape = continent)) + 
  geom_point(size = 2, alpha = 0.5) + 
  scale_colour_viridis_d() + 
  theme_minimal()

ggplot(data = gapminder2, 
       mapping = aes(x = year, 
                     y = life_expectancy_mean, 
                     colour = continent, 
                     shape = continent)) + 
  geom_point(size = 2, alpha = 0.5) + 
  scale_colour_viridis_d() + 
  theme_classic()

ggplot(data = gapminder2, 
       mapping = aes(x = year, 
                     y = life_expectancy_mean, 
                     colour = continent, 
                     shape = continent)) + 
  geom_point(size = 2, alpha = 0.5) + 
  scale_colour_viridis_d() + 
  theme_void()

ggplot(data = gapminder2, 
       mapping = aes(x = year, 
                     y = life_expectancy_mean, 
                     colour = continent, 
                     shape = continent)) + 
  geom_point(size = 2, alpha = 0.5) + 
  scale_colour_viridis_d() + 
  theme_test()

Nuestro turno


  • En el mismo proyecto y carpeta, cree un nuevo documento de quarto y llámelo "mi_segundo_ggplot.qmd". Importe la base de datos maca_meno_fase1.dta. Cree un gráfico de dispersión de puntos que relacione el peso (variable weight, en el eje x) con la hormona foliculo estimulante (variable fsh, e el eje y). Tip: Puede reutilizar el código usado en el ejercicio anterior.

  • Cree otro gráfico que también diferencie los grupos de tratamiento (variable treat) mediante colores diferentes. Tip: mapee colour con treat.

  • Cree otro gráfico que taambién diferencie el tiempo de medición (variable time) con formas diferentes. Tip: mapee shape con time.

  • Reutilizando el código anterior, configure la transparencie en 0.5. Tip: configure el alpha dentro de la geometría.

  • Aplique una transformación logarítmica a la variable fsh. Tipo: Aplique log() directamente sobre la variable fsh dentro del chunk de código ya elaborado.

  • Divida en facetas los gráficos: 1) Una faceta para cada tratamiento; y 2) Una faceta para tratamiento – tiempo. Tip: Use facet__wrap() y facet_grid().

  • Utilice el tema completo theme_bw().


05:00

Introducción a R y RStudio